CN107300620A - 一种基于maldi‑tof‑ms的死宰肉鉴别方法及系统 - Google Patents
一种基于maldi‑tof‑ms的死宰肉鉴别方法及系统 Download PDFInfo
- Publication number
- CN107300620A CN107300620A CN201710320285.0A CN201710320285A CN107300620A CN 107300620 A CN107300620 A CN 107300620A CN 201710320285 A CN201710320285 A CN 201710320285A CN 107300620 A CN107300620 A CN 107300620A
- Authority
- CN
- China
- Prior art keywords
- meat
- sample
- dead
- sample set
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
- G01N33/6848—Methods of protein analysis involving mass spectrometry
- G01N33/6851—Methods of protein analysis involving laser desorption ionisation mass spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
- G01N27/64—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using wave or particle radiation to ionise a gas, e.g. in an ionisation chamber
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Urology & Nephrology (AREA)
- Evolutionary Computation (AREA)
- Hematology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Electrochemistry (AREA)
- Biotechnology (AREA)
- Cell Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Microbiology (AREA)
- Toxicology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开一种基于MALDI‑TOF‑MS的死宰肉鉴别方法,包括:制备样本集,样本集包括训练样本集、检验样本集和待测样本集;应用MALDI‑TOF‑MS对样本集进行测定,得到对应质谱图;基于训练样本集和检验样本集的质谱图建立神经网络分类器;应用神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。本发明还公开一种基于MALDI‑TOF‑MS的死宰肉鉴别系统。本发明借助质谱仪在分子水平上查找死宰肉与活宰肉的代谢组学和蛋白组学差异,通过神经网络分类器的训练学习和检验,最大限度地降低环境因素和样本自身因素干扰,检测过程具有高稳定性、灵敏度和准确度,检测结果具有良好的重现性,是一种科学、准确、高效的死宰肉鉴别方法及系统。
Description
技术领域
本发明涉及肉质鉴别方法及系统。更具体地,涉及一种基于MALDI-TOF-MS的死宰肉鉴别方法及系统。
背景技术
随着现代生活水平的提高,人们对优质肉类的需求渐益旺盛。相对于统一收购屠宰活体动物并经过检疫进入市场的活宰肉而言,死宰肉是一种私自收购屠宰病死动物而逃避检疫进入市场的肉类,其具有生物性危害、有毒有害物质危害和药物残留危害,对人们的生活质量造成了极大的威胁。因此,对于市场上死宰肉的检验和鉴别收到越来越广泛的关注。
以死宰猪肉为例,目前市场上病死猪肉的检验法主要有感官检验和实验室检验两种方法。其中,感官检验往往基于经验而不能准确有效地鉴别出死宰肉,实验室检验主要包括硫酸铜蛋白质沉淀法、过氧化物酶反应法、pH值试纸法和细菌内毒素呈色法等。发表的相关文献主要有《4种方法快速检测病死猪肉的对比试验》、《细菌毒素氧化呈色法和过氧化物酶法检验病害猪肉的比较》和《病死猪肉的快速检验与处理》等。由于造成死宰猪非正常死亡的原因很多,包括各种疫病(如猪瘟、猪丹毒、猪肺疫、猪流行性腹泻、猪副伤寒等)或者摄入有毒物质(农药、灭鼠药、重金属等),现有的检测方法由于其检测原理上的限制,很容易受周围环境或者样本自身因素的影响,检测方法的重现性差,不能有效鉴别死宰猪,方法的准确率仅为80%左右。另外,受肉类被检样存放日期、存放环境、取样部位、样本含水量等因素制约,产生的检测结果也会不同,容易造成假阳性或者假阴性结果,所以方法的重现性较差。
由于非正常死亡的猪通常会产生一些异常的代谢,导致它的细胞、组织或血液等代谢组学(如氨基酸代谢、脂代谢等)或蛋白组学与活宰猪有明显差异,如免疫IgG异常、血红蛋白异常、过氧化物酶异常等等。因此,死宰猪与活宰猪的代谢组学和蛋白组学差异较大。其中,代谢组学对生物体病理、生理刺激或基因修饰产生的代谢物质的质和量的动态变化进行,注重动物的体液和组织;蛋白组学通过比较正常和病理情况下生物体细胞、组织或体液中蛋白质在组成成分、表达水平上的差异进行研究,主要研究生物体的特异性蛋白(群),如抗原、受体、酶等。
基质辅助激光解吸电离飞行时间质谱(MALDI-TOF-MS,Matrix-Assisted LaserDesorption/Ionization Time of Flight Mass Spectrometry)是近年来发展起来的一种新型的软电离生物质谱,其无论是在理论上还是在设计上都是十分简单和高效的。其检测仪器主要由两部分组成:基质辅助激光解吸电离离子源(MALDI)和飞行时间质量分析器(TOF)。其中,MALDI是一种软电离技术,适用于混合物及生物大分子的测定,其原理是用激光照射样品与基质形成的共结晶薄膜,基质从激光中吸收能量传递给生物分子,而电离过程中将质子转移到生物分子或从生物分子得到质子,而使生物分子电离的过程。TOF的原理是离子在电场作用下加速飞过飞行管道,根据到达检测器的飞行时间不同而被检测即测定离子的质荷比(m/z)与离子的飞行时间成正比,检测离子。MALDI-TOF由于其特有的软电离方式离子源,特别适用于检测蛋白、多肽、脂质等生物大分子。MALDI-TOF-MS具有灵敏度高、准确度高及分辨率高等特点,为生命科学等领域提供了一种强有力的分析测试手段,并正扮演着越来越重要的作用
因此,为了解决现有检测方法重现性差、准确率低的问题,建立科学、高效、准确的鉴别方法及系统,需要提供一种基于MALDI-TOF-MS的死宰肉鉴别方法及系统。
发明内容
本发明的一个目的在于提供一种基于MALDI-TOF-MS的死宰肉鉴别方法,借助质谱仪在分子水平上查找死宰肉与活宰肉的代谢组学和蛋白组学差异,最大限度地降低环境因素和样本自身因素干扰。
为达到上述目的,本发明采用下述技术方案:
一种基于MALDI-TOF-MS的死宰肉鉴别方法,包括:
制备样本集,样本集包括训练样本集、检验样本集和待测样本集;
应用MALDI-TOF-MS对样本集进行测定,得到对应质谱图;
基于训练样本集和检验样本集的质谱图建立神经网络分类器;
应用神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
优选地,
制备样本集包括样本前处理:
取备检肉样;
去除所述备检肉样中的脂肪和结缔组织;
进行均质、过滤和静止操作;
除去表层的油脂;
所得上清液即为肉浸液样本。
优选地,
训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集。
进一步优选地,
基于训练样本集和检验样本集的质谱图建立神经网络分类器,包括:
对训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据;
用训练样本集质谱图数据对神经网络进行训练,构建神经网络分类器;
用检验样本集质谱图数据对神经网络分类器进行检验;若神经网络分类器能对检验样本集进行正确分类,则执行下一步骤;若否,则返回上一步骤;
得到神经网络分类器。
进一步优选地,
对训练样本集和检验样本集的质谱图进行数值化,包括:
将每一样本的质谱图分为N等份,每份对应的统计值为bi,其中,i、N为自然数且i≤N;
令bi=∑Ij,计算bi的值,其中,M为第i份质谱图内质谱峰的个数,j、M为自然数且j≤M,Ij为第i份质谱图内第j个质谱峰的强度,∑Ij为第i份质谱图内所有质谱峰的强度的总和。
进一步优选地,
用训练样本集质谱图数据对神经网络进行训练,包括:
对活宰肉训练样本子集每个样本的bi的值进行比较,得出活宰肉训练样本子集的bi的值的范围;
对死宰肉训练样本子集每个样本的bi的值进行比较,得出死宰肉训练样本子集的bi的值的范围;
比较活宰肉训练样本子集的bi的值的范围和对应活宰肉训练样本子集的bi的值的范围,确定特异性值;
基于所述特异性值对样本进行分类,得出鉴定结果。
优选地,
用检验样本集质谱图数据对神经网络进行检验,包括:
检验样本集包括活宰肉检验样本子集和死宰肉检验样本子集;
判断神经网络分类器对活宰肉检验样本子集分类是否正确;及
判断神经网络分类器对死宰肉检验样本子集分类是否正确。
本发明的另一个目的在于提供一种基于MALDI-TOF-MS的死宰肉鉴别系统。
一种基于MALDI-TOF-MS的死宰肉系统,包括:
样本制备单元,用于制备样本集,所述样本集包括训练样本集、检验样本集和待测样本集;
质谱分析单元,用于应用MALDI-TOF-MS对所述样本集进行测定,得到对应质谱图;
神经网络单元,用于基于训练样本集和检验样本集的质谱图建立神经网络分类器;
分类鉴定单元,应用所述神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
优选地,
训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集。
进一步优选地,
神经网络单元包括:
数值化模块,对所述训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据;
训练模块,用训练样本集质谱图数据对神经网络分类器进行训练;
检验模块,用检验样本集质谱图数据对神经网络分类器进行检验。
本发明的有益效果如下:
本发明的一种基于MALDI-TOF-MS的死宰肉鉴别方法及系统,借助质谱仪在分子水平上查找死宰肉与活宰肉的代谢组学和蛋白组学差异,通过神经网络分类器的训练学习和检验,最大限度地降低环境因素和样本自身因素干扰,检测过程具有高稳定性、灵敏度和准确度,检测结果具有良好的重现性,是一种科学、准确、高效的死宰肉鉴别方法及系统。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出一种基于MALDI-TOF-MS的死宰肉鉴别方法流程图。
图2示出样本制备方法流程图。
图3示出建立神经网络分类器方法流程图。
图4示出猪肉样本的质谱图的局部放大图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
不同于常规的检测方法,本发明是一种基于MALDI-TOF-MS的死宰肉鉴别方法及系统,借助质谱仪在分子水平上查找死宰肉与活宰肉的代谢组学和蛋白组学差异,最大限度地降低环境因素和样本自身因素干扰。
如图1所示,一种基于MALDI-TOF-MS的死宰肉鉴别方法,包括以下步骤:
S1:制备样本集,样本集包括训练样本集、检验样本集和待测样本集。训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集。
如图2所示,本发明中,制备样本集包括样本前处理:
S101:取备检肉样;
S102:去除所述备检肉样中的脂肪和结缔组织;
S103:进行均质、过滤和静止操作;
S104:除去表层的油脂;
S105:所得上清液即为肉浸液样本。
应注意的是,样本集中样本的制备只要能够得到能够应用MALDI-TOF-MS进行测定的样本即可。
S2:应用MALDI-TOF-MS对样本集进行测定,得到对应质谱图。
本发明中检测仪器主要由两部分组成:基质辅助激光解吸电离离子源(MALDI)和飞行时间质量分析器(TOF)。其中,MALDI是一种软电离技术,适用于混合物及生物大分子的测定,其原理是用激光照射样品与基质形成的共结晶薄膜,基质从激光中吸收能量传递给生物分子,而电离过程中将质子转移到生物分子或从生物分子得到质子,而使生物分子电离的过程。TOF的原理是离子在电场作用下加速飞过飞行管道,根据到达检测器的飞行时间不同而被检测即测定离子的质荷比(m/z)与离子的飞行时间成正比,检测离子。
S3:基于训练样本集和检验样本集的质谱图建立神经网络分类器,如图3所示,具体包括以下步骤:
S301:对训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据,具体地:
将每一样本的质谱图分为N等份,每份对应的统计值为bi,其中,i、N为自然数且i≤N;令bi=∑Ij,计算bi的值,其中,M为第i份质谱图内质谱峰的个数,j、M为自然数且j≤M,Ij为第i份质谱图内第j个质谱峰的强度,∑Ij为第i份质谱图内所有质谱峰的强度的总和。
S302:用训练样本集质谱图数据对神经网络进行训练,构建神经网络分类器,具体地:
对活宰肉训练样本子集每个样本的bi的值进行比较,得出活宰肉训练样本子集的bi的值的范围;对死宰肉训练样本子集每个样本的bi的值进行比较,得出死宰肉训练样本子集的bi的值的范围;比较活宰肉训练样本子集的bi的值的范围和对应活宰肉训练样本子集的bi的值的范围,确定特异性值;基于所述特异性值对样本进行分类,得出鉴定结果。
S303:用检验样本集质谱图数据对神经网络进行检验;若神经网络分类器能对检验样本集进行正确分类,则执行下一步骤;若否,则返回上一步骤。具体地:
检验样本集包括活宰肉检验样本子集和死宰肉检验样本子集;判断神经网络分类器对活宰肉检验样本子集分类是否正确;及判断神经网络分类器对死宰肉检验样本子集分类是否正确。
S304:得到神经网络分类器。
S4:应用神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
下面以猪肉为例,对上述方法进行详细说明。
S1:制备样本集,该样本集包括训练样本集、检验样本集和待测样本集。训练样本集包括活宰猪训练样本子集和死宰猪训练样本子集。本发明中例如选定20000个已知猪肉样本作为训练样本集进行神经网络训练,其中活宰猪肉样本9500个,死宰猪肉10500个。
本发明中,样本集中样本制备为制备肉浸液,提取样本中的多肽、蛋白等,包括以下步骤:
S101:取大于50g的被检肉样,例如可选择通脊肉、腹壁肉、臂头肌、臂二头肌、臂中肌、半腱肌等;
S102:去除所述备检肉样中的脂肪和结缔组织;
S103:被检肉样至无菌带滤网的均质袋中,加入10倍量的双蒸水,在拍打式均质仪上拍打数分钟,取下均质袋,过滤,滤液于4℃下静置2小时;
S104:用吸管去除表层的油脂;
S105:所得上清液即为肉浸液样本。
S2:对上述选定的20000个已知猪肉样本应用MALDI-TOF-MS对样本集进行测定,得到对应质谱图。
本发明中,采用QuanTOF型MALDI-TOF质谱仪。
S3:基于训练样本集和检验样本集的质谱图建立神经网络分类器,具体包括以下步骤:
S301:对训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据,具体地:
将每一样本的质谱图分为N=700等份,每份对应的统计值为bi,i、N为自然数且i≤N;令bi=∑Ij,计算bi的值,其中,M为第i份质谱图内质谱峰的个数,j、M为自然数且j≤M,Ij为第i份质谱图内第j个质谱峰的强度,∑Ij为第i份质谱图内所有质谱峰的强度的总和,每个样本数据对应700个bi值。
本发明中猪肉样本的质谱图质量范围从2000到50000,图4是猪肉样本的质谱图的局部放大图,通过上述方法进行计算:b89是8047和8102两个质谱峰的强度之和;b90是8123、8157和8164三个质谱峰的强度之和。
b89=0.00033+0.00007=0.0004;
b90=0.00009+0.00013+0.0001=0.00032。
同理,依次分别计算统计值b1,b2……b700。
S302:用训练样本集质谱图数据对神经网络分类器进行训练,具体地:
对活宰肉训练样本子集每个样本的bi的值进行比较,得出活宰肉训练样本子集的bi的值的范围;对死宰肉训练样本子集每个样本的bi的值进行比较,得出死宰肉训练样本子集的bi的值的范围;比较活宰肉训练样本子集的bi的值的范围和对应活宰肉训练样本子集的bi的值的范围,确定特异性值;基于所述特异性值对样本进行分类,得出鉴定结果。
本发明中,将20000个猪肉样本数据作为训练样本集,按照活宰猪肉和死宰猪肉分为两个子集,用于网络训练,构建分类器。其中,9500个活宰猪肉数据通过网络训练,共9500组700个bi值比较计算,确定活宰猪肉集的特性。
以b1为例进行说明如下:
第一步,比较9500组b1值,确定活宰猪肉集的b1值范围,然后依次比较确定b2,b3,b4……b700的范围;10500个死宰猪肉数据,同样确定700个bi值的范围。
第二步,第一步中确定的两组700个bi数值范围再次比较,确定特异性和非特异性bi值,如b100<a时(a为大于零的数字),必为活宰猪肉,或者活宰猪肉的b200为0,死宰猪肉的b200不为0,那么b100、b200均为特异性值;b150在两类子集中的数值重叠较多,则b150为非特异性值,b150值不能为我们分类猪肉样本提供可靠信息。
S303:用检验样本集质谱图数据对神经网络分类器进行检验;若神经网络分类器能对检验样本集进行正确分类,则执行下一步骤;若否,则返回上一步骤。具体地:
检验样本集包括活宰肉检验样本子集和死宰肉检验样本子集;判断神经网络分类器对活宰肉检验样本子集分类是否正确;及判断神经网络分类器对死宰肉检验样本子集分类是否正确。
S304:得到神经网络分类器。
S4:应用神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。鉴别未知样本时,样本经前处理后通过MALDI-TOF测定得到该样本质谱图,质谱图数据转换为700个bi值,将它们输入神经网络分类器,输出结果,实现鉴别。
应说明的是,应用本发明中的死宰肉鉴别方法及系统时,鉴定准确率与训练样本集直接相关,训练样本集越多,其准确率越接近100%。当前我们使用20000个样本的大训练集,避免了低样本不能体现共性的缺点,而且样本集会适时补充样本数量,实际样本鉴别准确率将维持在很高的水平。
下面结合具体实验的多个实例进行说明
在下述实例中,用已知猪肉样本验证鉴别方法,鉴别猪肉样本300批次,其中活宰猪样本180批次,来自某定点屠宰加工企业;死宰猪样本120批次,来自8个养猪场患病死亡猪。每批次样品重复鉴别6个,共鉴别1800个样本。其中,120批次死宰猪共720个样本全部鉴别为死宰猪,鉴别准确率为100%;180批次活宰猪共1080个样本,其中有1080个样本鉴别为活宰猪,其鉴别准确率为100%,总鉴别准确率为100%。
实例1
(1)制备肉浸液。
从某定点屠宰加工企业获取活宰猪肉样本20批次,每批次样本平行测定6个,共120样本。每个样本(选择通脊肉、腹壁肉、臂头肌、臂二头肌、臂中肌、半腱肌等)除去脂肪和结缔组织后,称取25g至无菌带滤网的均质袋中,加入250mL双蒸水,在拍打式均质仪上拍打2分钟(拍打速率为4次/秒),取下均质袋,过滤约50mL至离心管中,4℃下静置2小时,用吸管去除表层的油脂,得到肉浸液。
(2)MALDI-TOF测定。
肉浸液与芥子酸基质液(SA)等体积混合,点样,每个靶点2μL。干燥结晶后放入MALDI-TOF仪,扫描测定,得到质谱图。测定参数如下:
测定模式 | 正离子模式 |
激光能量 | 8μJ |
聚焦质量 | 2500Da |
扫描范围 | 2,000-50,000m/z |
(3)样本鉴别。
质谱图数据经预处理后进入分类器分析,得到鉴别结果:120个样本均被鉴别为活宰猪肉,鉴别准确率为100%。
实例2
(1)制备肉浸液。
从2个养猪场得到患病死亡猪肉15批次,每批次样本平行测定6个,样本数为90。每个样本(选择通脊肉、腹壁肉、臂头肌、臂二头肌、臂中肌、半腱肌等)除去脂肪和结缔组织后,称取10g至无菌带滤网的均质袋中,加入100mL双蒸水,在拍打式均质仪上拍打3分钟(拍打速率为4次/秒),取下均质袋,过滤约50mL至离心管中,4℃下静置2小时,用吸管去除表层的油脂,得到肉浸液。
(2)MALDI-TOF测定。
肉浸液与芥子酸基质液(SA)等体积混合,点样,每个靶点1μL。干燥结晶后放入MALDI-TOF仪,扫描测定,得到质谱图。测定参数如下:
测定模式 | 正离子模式 |
激光能量 | 10μJ |
聚焦质量 | 3000Da |
扫描范围 | 2,000-50,000m/z |
(3)样本鉴别。
质谱图数据经预处理后进入分类器分析,得到鉴别结果:90个样本均被鉴别为死宰猪肉,鉴别准确率为100%。
实例3
(1)制备肉浸液。
共获取猪肉样本30批次,其中15批次是从4个养猪场得到的患病死亡猪肉,15批次是从河北省内某定点屠宰场得到的活宰猪,每批次样本平行测定6个,样本数为180。每个样本(选择通脊肉、腹壁肉、臂头肌、臂二头肌、臂中肌、半腱肌等)除去脂肪和结缔组织后,称取20g至无菌带滤网的均质袋中,加入200mL双蒸水,在拍打式均质仪上拍打2分钟(拍打速率为4次/秒),取下均质袋,过滤约50mL至离心管中,4℃下静置2小时,用吸管去除表层的油脂,得到肉浸液。
(2)MALDI-TOF测定。
肉浸液与芥子酸基质液(SA)等体积混合,点样,每个靶点2μL。干燥结晶后放入MALDI-TOF仪,扫描测定,得到质谱图。测定参数如下:
测定模式 | 正离子模式 |
激光能量 | 10μJ |
聚焦质量 | 3000Da |
扫描范围 | 2,000-50,000m/z |
(3)谱图鉴别
谱图进入分类器分析后,得到鉴别结果:90个活宰猪肉样本均被鉴别为活宰猪肉,90个死宰猪肉样本均被鉴别为死宰猪肉,鉴别准确率为100%。
综合3次实例,总鉴别准确率为100%。本发明鉴别系统稳定,重现性好,准确率高。
本发明可为动物检疫、工商、质监、食品药品监督管理提供高效、稳定、准确的死宰肉鉴别方法及系统。
本发明还公开一种基于MALDI-TOF-MS的死宰肉系统,包括:
样本制备单元,用于制作样本集,所述样本集包括训练样本集、检验样本集和待测样本集,训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集;
质谱分析单元,用于应用MALDI-TOF-MS对所述样本集进行测定,得到对应质谱图;
神经网络单元,用于基于训练样本集和检验样本集的质谱图建立神经网络分类器,具体包括:
数值化模块,对所述训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据;训练模块,用训练样本集质谱图数据对神经网络分类器进行训练;检验模块,用检验样本集质谱图数据对神经网络分类器进行检验;及
分类鉴定单元,应用所述神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于MALDI-TOF-MS的死宰肉鉴别方法,其特征在于,包括:
制备样本集,所述样本集包括训练样本集、检验样本集和待测样本集;
应用MALDI-TOF-MS对所述样本集进行测定,得到对应质谱图;
基于训练样本集和检验样本集的质谱图建立神经网络分类器;
应用所述神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
2.根据权利要求1所述的死宰肉鉴别方法,其特征在于,所述制备样本集包括样本前处理:
取备检肉样;
去除所述备检肉样中的脂肪和结缔组织;
进行均质、过滤和静止操作;
除去表层的油脂;
所得上清液即为肉浸液样本。
3.根据权利要求1所述的死宰肉鉴别方法,其特征在于,所述训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集。
4.根据权利要求3所述的死宰肉鉴别方法,其特征在于,所述基于训练样本集和检验样本集的质谱图建立神经网络分类器,包括:
对所述训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据;
用训练样本集质谱图数据对神经网络进行训练,构建神经网络分类器。
用检验样本集质谱图数据对神经网络分类器进行检验,若所述神经网络分类器能对检验样本集进行正确分类,则执行下一步骤;若否,则返回上一步骤;
得到神经网络分类器。
5.根据权利要求4所述的死宰肉鉴别方法,其特征在于,对所述训练样本集和检验样本集的质谱图进行数值化,包括:
将每一样本的质谱图分为N等份,每份对应的统计值为bi,其中,i、N为自然数且i≤N;
令bi=∑Ij,计算bi的值,其中,M为第i份质谱图内质谱峰的个数,j、M为自然数且j≤M,Ij为第i份质谱图内第j个质谱峰的强度,∑Ij为第i份质谱图内所有质谱峰的强度的总和。
6.根据权利要求5所述的死宰肉鉴别方法,其特征在于,用训练样本集质谱图数据对神经网络进行训练,包括:
对活宰肉训练样本子集每个样本的bi的值进行比较,得出活宰肉训练样本子集的bi值的范围;
对死宰肉训练样本子集每个样本的Bi的值进行比较,得出死宰肉训练样本子集的bi值的范围;
比较活宰肉训练样本子集的bi的值的范围和对应活宰肉训练样本子集的bi的值的范围,确定特异性值;
基于所述特异性值对样本进行分类,得出鉴定结果。
7.根据权利要求4所述的死宰肉鉴别方法,其特征在于,用检验样本集质谱图数据对神经网络进行检验,包括:
检验样本集包括活宰肉检验样本子集和死宰肉检验样本子集;
判断神经网络分类器对活宰肉检验样本子集分类是否正确;及
判断神经网络分类器对死宰肉检验样本子集分类是否正确。
8.一种基于MALDI-TOF-MS的死宰肉系统,其特征在于,包括:
样本制备单元,用于制备样本集,所述样本集包括训练样本集、检验样本集和待测样本集;
质谱分析单元,用于应用MALDI-TOF-MS对所述样本集进行测定,得到对应质谱图;
神经网络单元,用于基于训练样本集和检验样本集的质谱图建立神经网络分类器;
分类鉴定单元,应用所述神经网络分类器对待测样本集中的样本进行分类,得出鉴定结果。
9.根据权利要求8所述的死宰肉鉴别系统,其特征在于,所述训练样本集包括活宰肉训练样本子集和死宰肉训练样本子集。
10.根据权利要求9所述的死宰肉鉴别系统,其特征在于,所述神经网络单元包括:
数值化模块,对所述训练样本集和检验样本集的质谱图进行数值化,得到对应的质谱图数据;
训练模块,用训练样本集质谱图数据对神经网络分类器进行训练;
检验模块,用检验样本集质谱图数据对神经网络分类器进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320285.0A CN107300620B (zh) | 2017-05-09 | 2017-05-09 | 一种基于maldi-tof-ms的死宰肉鉴别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320285.0A CN107300620B (zh) | 2017-05-09 | 2017-05-09 | 一种基于maldi-tof-ms的死宰肉鉴别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107300620A true CN107300620A (zh) | 2017-10-27 |
CN107300620B CN107300620B (zh) | 2019-12-20 |
Family
ID=60137015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710320285.0A Active CN107300620B (zh) | 2017-05-09 | 2017-05-09 | 一种基于maldi-tof-ms的死宰肉鉴别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107300620B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579554A (zh) * | 2018-06-08 | 2019-12-17 | 萨默费尼根有限公司 | 3d质谱预测分类 |
CN110763815A (zh) * | 2018-12-24 | 2020-02-07 | 河北省动物疫病预防控制中心 | 一种死宰牛肉的鉴定方法 |
CN110940639A (zh) * | 2018-12-24 | 2020-03-31 | 河北省动物疫病预防控制中心 | 一种死宰羊肉的鉴定方法 |
CN111307925A (zh) * | 2020-03-06 | 2020-06-19 | 山东省分析测试中心 | 一种温度控制不连续冻肉的鉴别方法和系统 |
CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114019008A (zh) * | 2021-11-03 | 2022-02-08 | 融智生物科技(青岛)有限公司 | 一种oct冷冻剂在生物组织中小分子代谢物的质谱成像中的应用和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928548A (zh) * | 2005-09-11 | 2007-03-14 | 翁炳焕 | 蛋白质组学产前诊断方法 |
CN105136881A (zh) * | 2015-09-17 | 2015-12-09 | 四川旅游学院 | 一种快速检测掺假腐烂猪肉香肠的方法 |
CN106501347A (zh) * | 2016-10-26 | 2017-03-15 | 河南出入境检验检疫局检验检疫技术中心 | 一种肠球菌质谱库、建立方法及用途 |
-
2017
- 2017-05-09 CN CN201710320285.0A patent/CN107300620B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928548A (zh) * | 2005-09-11 | 2007-03-14 | 翁炳焕 | 蛋白质组学产前诊断方法 |
CN105136881A (zh) * | 2015-09-17 | 2015-12-09 | 四川旅游学院 | 一种快速检测掺假腐烂猪肉香肠的方法 |
CN106501347A (zh) * | 2016-10-26 | 2017-03-15 | 河南出入境检验检疫局检验检疫技术中心 | 一种肠球菌质谱库、建立方法及用途 |
Non-Patent Citations (5)
Title |
---|
ANDREA E. DONALDSON ET AL.: "Biochemistry Changes That Occur after Death: Potential Markers for Determining Post-Mortem Interval", 《PLOS ONE》 * |
FRANCESCO BOCCARDO ET AL.: "Matrix-assisted laser desorption/ionisation (MALDI) TOF analysis identifies serum angiotensin II concentrations as a strong predictor of all-cause and breast cancer (BCa)-specific mortality following breast surgery", 《INTERNATIONAL JOURNAL OF CANCER》 * |
中国分析计量网: "赛默飞质谱助您辨别真羊肉、定量肉类掺假比例", 《化学分析计量》 * |
孔宪琴 等: "病死猪肉的快速检验与处理", 《肉类研究》 * |
武鹏 等: "定量蛋白质组学无标记定量方法的研究进展", 《生物化学与生物物理进展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579554A (zh) * | 2018-06-08 | 2019-12-17 | 萨默费尼根有限公司 | 3d质谱预测分类 |
CN110763815A (zh) * | 2018-12-24 | 2020-02-07 | 河北省动物疫病预防控制中心 | 一种死宰牛肉的鉴定方法 |
CN110940639A (zh) * | 2018-12-24 | 2020-03-31 | 河北省动物疫病预防控制中心 | 一种死宰羊肉的鉴定方法 |
CN110940639B (zh) * | 2018-12-24 | 2023-03-07 | 河北省动物疫病预防控制中心 | 一种死宰羊肉的鉴定方法 |
CN111307925A (zh) * | 2020-03-06 | 2020-06-19 | 山东省分析测试中心 | 一种温度控制不连续冻肉的鉴别方法和系统 |
CN114002307A (zh) * | 2021-10-20 | 2022-02-01 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114002307B (zh) * | 2021-10-20 | 2024-02-06 | 山东省分析测试中心 | 一种鉴别液态奶热处理程度与掺杂的分析方法和系统 |
CN114019008A (zh) * | 2021-11-03 | 2022-02-08 | 融智生物科技(青岛)有限公司 | 一种oct冷冻剂在生物组织中小分子代谢物的质谱成像中的应用和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107300620B (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107300620A (zh) | 一种基于maldi‑tof‑ms的死宰肉鉴别方法及系统 | |
CN106199003A (zh) | 基于飞行时间质谱原理的微生物肽质量指纹图谱库的构建方法 | |
EP3044582A1 (en) | Method and electronic nose for comparing odors | |
CN101976331B (zh) | 一种多组分重叠三维荧光光谱的成分识别方法 | |
DE102013022016B4 (de) | Mikroben-Identifizierung durch Massenspektrometrie und Infrarot-Spektrometrie | |
Bi et al. | Differentiation and authentication of fishes at the species level through analysis of fish skin by matrix‐assisted laser desorption/ionization time‐of‐flight mass spectrometry | |
Hallegraeff | A comparison of different methods used for the quantitative evaluation of biomass of freshwater phytoplankton | |
CN103776891A (zh) | 一种检测差异表达蛋白质的方法 | |
CN109557165B (zh) | 用于监控质谱成像制备工作流程的质量的方法 | |
CN111832477A (zh) | 一种新型冠状病毒的检测方法及系统 | |
CN108802002A (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
CN107102154A (zh) | 一种检测细胞应激反应中蛋白表达的微阵列芯片、制备方法、试剂盒及检测方法 | |
Price et al. | Forensic identification of the keratin fibers of South American camelids by ambient ionization mass spectrometry: Vicuña, alpaca and guanaco | |
CN107085034A (zh) | Maldi‑tof‑ms鉴定宋内志贺菌 | |
CN113514530A (zh) | 一种基于敞开式离子源的甲状腺恶性肿瘤诊断系统 | |
CN117589854A (zh) | 一种快速、无损的花果茶拼配茶底等级鉴定方法 | |
Sandran et al. | Species Determination and Discrimination of Animal Blood: A Multi-Analytical Spectroscopic-Chemometrics Approach in Forensic Science. | |
CN116678975A (zh) | 一种毛发中精神药物的检测方法及建立监测网络的方法 | |
CN103344695B (zh) | 钩端螺旋体快速质谱检测试剂盒 | |
Rossel et al. | A universal tool for marine metazoan species identification: towards best practices in proteomic fingerprinting | |
CN115438587A (zh) | 一种基于深度学习结合拉曼光谱的掺假驼奶的鉴别模型及方法 | |
CN103245715A (zh) | 一种基于离子迁移谱的辅助检测样品中盐酸克伦特罗的方法 | |
CN107703296A (zh) | 一种用于磺胺类药物多残留检的超灵敏电化学免疫传感器 | |
CN113341044A (zh) | 一种基于代谢组学标志物鉴定溺死的方法及其应用 | |
CN116502130B (zh) | 一种藻源嗅味特征识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |